Carparts Segmentation Dataset
Carparts Segmentation Datasetは、コンピュータービジョンアプリケーション、特にセグメンテーションタスク向けに設計された画像と動画の厳選コレクションです。このデータセットは、さまざまな視点からキャプチャされた多様なビジュアルを提供し、セグメンテーションモデルのトレーニングとテストに役立つアノテーション済みデータを提供します。
Whether you're working on automotive research, developing AI solutions for vehicle maintenance, or exploring computer vision applications, the Carparts Segmentation Dataset serves as a valuable resource for enhancing the accuracy and efficiency of your projects using models like Ultralytics YOLO.
Watch: How to Segment Carparts with Ultralytics Platform | Train, Deploy & Inference | Ultralytics YOLO26 🚀
データセットの構造
Carparts Segmentation Dataset内のデータ分布は以下の通りです：
- Training set: Includes 3156 images, each accompanied by its corresponding annotations. This set is used for training the deep learning model.
- テストセット: 276枚の画像で構成され、それぞれが対応するアノテーションとペアになっています。このセットは、テストデータを使用してトレーニング後のモデルのパフォーマンスを評価するために使用されます。
- Validation set: Consists of 401 images, each having corresponding annotations. This set is used during training to tune hyperparameters and prevent overfitting using validation data.
アプリケーション
Carparts Segmentationは、以下を含むさまざまな分野で応用されています：
- 自動車品質管理: 製造中の自動車部品の欠陥や不整合の特定（AI in Manufacturing）。
- 自動車修理: 修理や交換が必要な部品を特定する際にメカニックを支援します。
- Eコマースカタログ: Eコマースプラットフォームのオンラインストアにおいて、自動車部品を自動的にタグ付けおよび分類します。
- 交通監視: 交通監視映像において車両コンポーネントを分析します。
- 自律走行車: 周囲の車両をよりよく理解するために、自動運転車の認識システムを強化します。
- 保険処理: 保険請求時に影響を受けた自動車部品を特定することで、損害評価を自動化します。
- リサイクル: 効率的なリサイクルプロセスのために車両コンポーネントを分類します。
- スマートシティ・イニシアチブ: スマートシティ内の都市計画および交通管理システムにデータを提供します。
さまざまな車両コンポーネントを正確に特定および分類することで、Carparts Segmentationはプロセスを合理化し、これらの業界全体での効率向上と自動化に貢献します。
データセットYAML
YAML（Yet Another Markup Language）ファイルは、パス、クラス名、その他の重要な詳細を含むデータセット構成を定義します。Carparts Segmentationデータセットについては、carparts-seg.yamlファイルが https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/carparts-seg.yaml で入手可能です。YAML形式の詳細については yaml.org を参照してください。
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# Carparts-seg dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/carparts-seg/
# Example usage: yolo train data=carparts-seg.yaml
# parent
# ├── ultralytics
# └── datasets
# └── carparts-seg ← downloads here (133 MB)
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: carparts-seg # dataset root dir
train: images/train # train images (relative to 'path') 3516 images
val: images/val # val images (relative to 'path') 276 images
test: images/test # test images (relative to 'path') 401 images
# Classes
names:
0: back_bumper
1: back_door
2: back_glass
3: back_left_door
4: back_left_light
5: back_light
6: back_right_door
7: back_right_light
8: front_bumper
9: front_door
10: front_glass
11: front_left_door
12: front_left_light
13: front_light
14: front_right_door
15: front_right_light
16: hood
17: left_mirror
18: object
19: right_mirror
20: tailgate
21: trunk
22: wheel
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/carparts-seg.zip使用方法
Ultralytics YOLO26モデルをCarparts Segmentationデータセットで100エポック、画像サイズ640でトレーニングするには、以下のコードスニペットを使用してください。利用可能な引数の包括的なリストについてはモデルのトレーニングガイドを参照し、ベストプラクティスについてはモデルトレーニングのヒントを確認してください。
from ultralytics import YOLO
# Load a pretrained segmentation model like YOLO26n-seg
model = YOLO("yolo26n-seg.pt") # load a pretrained model (recommended for training)
# Train the model on the Carparts Segmentation dataset
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)
# After training, you can validate the model's performance on the validation set
results = model.val()
# Or perform prediction on new images or videos
results = model.predict("path/to/your/image.jpg")サンプルデータとアノテーション
Carparts Segmentationデータセットには、さまざまな視点からキャプチャされた多様な画像と動画が含まれています。以下は、データとその対応するアノテーションを示す例です：
- この画像は、自動車画像サンプル内でのオブジェクトセグメンテーションを示しています。マスク付きのバウンディングボックスで、特定された自動車部品（ヘッドライト、グリルなど）が強調表示されています。
- このデータセットは、さまざまな条件（場所、照明、オブジェクト密度）の下でキャプチャされた多様な画像を備えており、堅牢な自動車部品セグメンテーションモデルをトレーニングするための包括的なリソースを提供します。
- この例は、データセットの複雑さと、特に自動車コンポーネント分析のような専門分野におけるコンピュータービジョンタスクにとっての高品質データの重要性を強調しています。データ拡張のような手法は、モデルの汎化性能をさらに高めることができます。
引用と謝辞
Carparts Segmentationデータセットを研究や開発の取り組みで使用する場合は、元のソースを引用してください：
@misc{ car-seg-un1pm_dataset,
title = { car-seg Dataset },
type = { Open Source Dataset },
author = { Gianmarco Russo },
url = { https://universe.roboflow.com/gianmarco-russo-vt9xr/car-seg-un1pm },
year = { 2023 },
month = { nov },
note = { visited on 2024-01-24 },
}コンピュータービジョンコミュニティのためにこの貴重なデータセットを作成・維持してくれたGianmarco Russo氏とRoboflowチームの貢献に感謝します。その他のデータセットについては、Ultralytics Datasetsコレクションをご覧ください。
FAQ
Carparts Segmentation Datasetとは何ですか？
Carparts Segmentation Datasetは、自動車部品のセグメンテーションを実行するためのコンピュータービジョンモデルをトレーニングするための、特化した画像と動画のコレクションです。詳細なアノテーションが施された多様なビジュアルが含まれており、自動車AIアプリケーションに適しています。
Carparts Segmentation DatasetをUltralytics YOLO26で使用するにはどうすればよいですか？
このデータセットを使用してUltralytics YOLO26セグメンテーションモデルをトレーニングできます。事前トレーニング済みモデル（例: yolo26n-seg.pt）を読み込み、提供されているPythonまたはCLIの例を使用してトレーニングを開始し、carparts-seg.yaml構成ファイルを参照してください。詳細な手順についてはトレーニングガイドを確認してください。
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-seg.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="carparts-seg.yaml", epochs=100, imgsz=640)Carparts Segmentationの応用例にはどのようなものがありますか？
Carparts Segmentationは以下に役立ちます：
- 自動車品質管理: 部品が基準を満たしていることを確認します（AI in Manufacturing）。
- 自動車修理: 整備が必要な部品を特定します。
- Eコマース: オンラインで部品をカタログ化します。
- 自律走行車: 車両の認識を向上させます（AI in Automotive）。
- 保険: 車両の損害を自動的に評価します。
- リサイクル: 部品を効率的に分類します。
Carparts Segmentationのデータセット構成ファイルはどこにありますか？
データセットのパスとクラスに関する詳細を含むデータセット構成ファイル carparts-seg.yaml は、Ultralytics GitHubリポジトリにあります: carparts-seg.yaml。
なぜCarparts Segmentation Datasetを使うべきなのですか？
このデータセットは、自動車アプリケーション向けの正確なセグメンテーションモデルを開発するために不可欠な、豊富なアノテーション済みデータを提供します。その多様性は、自動車両検査、安全システムの強化、自動運転技術のサポートといった実世界のシナリオにおいて、モデルの堅牢性とパフォーマンスを向上させるのに役立ちます。このような高品質でドメイン固有のデータセットを使用することで、AI開発が加速します。